CN111966668A - 一种电力负荷断面态势感知的可视化方法 - Google Patents
一种电力负荷断面态势感知的可视化方法 Download PDFInfo
- Publication number
- CN111966668A CN111966668A CN202010548313.6A CN202010548313A CN111966668A CN 111966668 A CN111966668 A CN 111966668A CN 202010548313 A CN202010548313 A CN 202010548313A CN 111966668 A CN111966668 A CN 111966668A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- value
- section
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007794 visualization technique Methods 0.000 title claims abstract description 11
- 230000008447 perception Effects 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000012800 visualization Methods 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims 4
- 238000011156 evaluation Methods 0.000 claims 1
- 239000013598 vector Substances 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 2
- 238000005065 mining Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000005206 flow analysis Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/26—Visual data mining; Browsing structured data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Fuzzy Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种电力负荷断面态势感知的可视化方法,包括获取目标监测地区电力***配网负荷断面数据并对其进行预处理;将预处理结果进行聚类,并构建负荷点多属性参量集;绘制目标监测地区的地理信息;以目标监测地区的地理信息为背景图层,绘制负荷点多属性参量集的动态气泡图,实现电力负荷断面态势感知的可视化。该方法通过数据预处理、分析和挖掘,得到配网多属性参量集,并通过动态气泡的形式在实际地图中可视化配网多属性参量集,能有效反映负荷的分布和发展规律,具有较高实用性。
Description
技术领域
本发明属于电力***负荷可视化技术领域,涉及一种电力负荷断面态势感知的可视化方法。
背景技术
电网运行可视化分析的目的是帮助调度岗位技术人员从海量电力数据中提取有效信息,辅助技术人员提高对电网实时运行的态势感知能力。
例如CN201410715334.7所提出的一种基于电力负荷潮流计算可视化***,包括电厂电压采集模块、变电站电压采集模块、数据汇总模块、等值模块、潮流计算模块、潮流分析模块和显示模块。所述的电厂电压采集模块和变电站电压采集模块分别与数据汇总模块连接,数据汇总模块连接等值模块,等值模块连接潮流计算模块,潮流计算模块连接潮流分析模块,潮流分析模块连接显示模块。
但传统的可视化技术往往通过二维标量场下的负荷热力分布来实现,存在感知结果粗糙、欠缺数据分析和不能同时反映多个维度运行量的问题。需要确定新的可视化方法和数据分析方法来有效地提高配网负荷态势感知能力。
发明内容
为解决现有技术中的不足,本申请提供一种电力负荷断面态势感知的可视化方法,以气泡图形式,融合多属性参量动态展示配电网断面负荷,加强了对负荷点类型分布规律的分析。
为了实现上述目标,本申请采用如下技术方案:
一种电力负荷断面态势感知的可视化方法,所述方法包括以下步骤:
步骤1:获取目标监测地区电力***配网负荷断面数据并对其进行预处理;
步骤2:将预处理结果进行聚类,并构建负荷点多属性参量集;
步骤3:绘制目标监测地区的地理信息;
步骤4:以目标监测地区的地理信息为背景图层,绘制负荷点多属性参量集的动态气泡图,实现电力负荷断面态势感知的可视化。
本发明进一步包括以下优选方案:
优选地,步骤1所述配网负荷断面数据包括负荷数据和地理数据,所述负荷数据即负荷值,所述地理数据包括相对经度和相对纬度。
优选地,步骤1所述预处理具体为:
利用标准差法清洗目标监测地区电力***配网负荷断面数据中的异常负荷值,并利用主成分分析赋权法对异常负荷值清洗后配网负荷断面数据中的负荷数据和地理数据赋权。
优选地,所述利用标准差法清洗目标监测地区电力***配网负荷断面数据中的异常负荷值,具体为:
根据拉依达法则的标准差法,计算负荷值x1,x2,…,xn的平均值μ和残差值Vi=xi-μ(i=1,2,3,…,n);
根据贝塞尔公式计算负荷值的标准偏差σ,负荷值xi的残差值Vi;
当残差值Vi的绝对值大于3σ时,则对负荷值xi采取相应的处理措施。
优选地,所述利用主成分分析赋权法对异常负荷值清洗后配网负荷断面数据中的负荷数据和地理数据赋权,具体为:
优选地,步骤2中,采用改进的MiniBatch-Kmeans算法进行聚类,以获取每个负荷点所属的负荷类别,具体包括以下步骤:
步骤a:对于赋有权值的负荷数据和地理数据,抽取MiniBatch样本作为初始质心;
步骤b:计算步骤a中下一个样本到质心的距离,并将该样本分配至与质心距离最近的簇内;
步骤c:判断当前样本所属的簇是否改变,若改变,则完成聚类并输出聚类结果,否则更新簇内质心并返回步骤b。
优选地,步骤2所述负荷点多属性参量集包括负荷值、负荷类别、相对经度、相对纬度、负荷点编号、断面时间和负荷密度七个方面的信息;
其中,断面时间为负荷断面的年、月;负荷点编号为负荷断面的原始记录;负荷密度为可视化图像中气泡点的密度(非定量)。
优选地,步骤3中,采用Mapbox工具绘制目标监测地区的地理信息。
优选地,步骤4中,绘制负荷点多属性参量集的动态气泡图时,将同时满足以下三个条件的负荷点进行合并;
1)属于相同的簇,即具有相同的负荷类别;
2)具有相同的断面时间;
3)相对经度和相对纬度的欧氏距离小于设定的距离阈值。
优选地,步骤4绘制的动态气泡图中,以气泡大小表示负荷值大小,以气泡颜色表示负荷类别,以气泡密度分布表示负荷密度,以气泡坐标表示相对经度和相对纬度,以高亮文字表示负荷点编号,以时序显示表示断面时间。
本申请所达到的有益效果:
本申请以参量融合和数据分析为核心,基于标准差法、主成分分析赋权法进行了数据预处理,基于改进型MiniBatch-Kmeans聚类算法求取了负荷类型标签,进一步建立了完备多属性参量集。最后通过多维度信息融合,以动态气泡图的形式绘制了七个信息量来表征配网负荷态势;即通过数据预处理、分析和挖掘,得到配网多属性参量集,并通过动态气泡的形式在实际地图中可视化配网多属性参量集,能有效反映负荷的分布和发展规律,具有较高实用性。为今后有效处理大电网中的用户负荷信息提供了一种可视化感知的新方法。
附图说明
图1是本申请提出的电力负荷断面态势感知的可视化方法的流程图;
图2是本申请实施例中清洗后的数据直方图;
图3是本申请实施例中改进的MiniBatch-Kmeans算法流程图;
图4是是本申请实施例中多属性参量构成图;
图5是本申请实施例中动态气泡图界面。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1所示,本申请的一种电力负荷断面态势感知的可视化方法,所述方法包括以下步骤:
步骤1:获取目标监测地区电力***配网负荷断面数据并对其进行预处理;
所述配网负荷断面数据包括负荷数据和地理数据,所述负荷数据即负荷值,所述地理数据包括相对经度和相对纬度。
原始数据具有负荷数据和地理数据,为了更有效地完成后续的数据挖掘,需要利用标准差法清洗目标监测地区电力***配网负荷断面数据中的异常负荷值,并利用主成分分析赋权法对异常负荷值清洗后配网负荷断面数据中的负荷数据和地理数据赋权。
本申请实施例中,首先将目标监测地区共20212条电力***配网负荷断面数据进行异常值清洗:
根据拉依达法则的标准差法,计算负荷值x1,x2,…,xn的平均值μ和残差值Vi=xi-μ(i=1,2,3,…,n);
根据贝塞尔公式计算负荷值的标准偏差σ,负荷值xi的残差值Vi;
当残差值Vi的绝对值大于3σ时,则认为xi是含有粗大误差的畸形数据,对负荷值xi采取相应的处理措施。清洗后的数据直方图如图2所示。
所述利用主成分分析赋权法对异常负荷值清洗后配网负荷断面数据中的负荷数据和地理数据赋权,具体为:
本申请实施例中,赋权的结果如表1所示。
表1PCA赋权结果
步骤2:采用改进的MiniBatch-Kmeans算法将预处理结果进行聚类以获取每个负荷点所属的负荷类别,并构建负荷点多属性参量集;
如图3所示,聚类过程具体包括以下步骤:
步骤a:对于赋有权值的负荷数据和地理数据,抽取MiniBatch样本作为初始质心;
步骤b:计算步骤a中下一个样本到质心的距离,并将该样本分配至与质心距离最近的簇内;
步骤c:判断当前样本所属的簇是否改变,若改变,则完成聚类并输出聚类结果,否则更新簇内质心并返回步骤b。
如图4所示,本申请实施例中,构建的负荷点多属性参量集包括负荷值、负荷类别、相对经度、相对纬度、负荷点编号、断面时间和负荷密度七个方面的信息。其中断面时间为负荷断面的年、月;负荷密度为可视化图中气泡点的密度(非定量)。
步骤3:采用Mapbox工具绘制目标监测地区的地理信息;
步骤4:以目标监测地区的地理信息为背景图层,绘制负荷点多属性参量集的动态气泡图,实现电力负荷断面态势感知的可视化。
本申请实施例中,由于负荷点数据规模极其庞大,为了使负荷断面获得更好的可视化效果,针对相似负荷、距离相近的负荷点,绘制负荷点多属性参量集的动态气泡图时,将同时满足以下三个条件的负荷点进行合并;
1)属于相同的簇,即具有相同的负荷类别;2)具有相同的断面时间;3)相对经度和相对纬度的欧氏距离小于设定的距离阈值。
由此得到的动态气泡图如图5所示,图5中的图形信息与多属性参量信息的对照关系如表2所示。
表2图形信息与多属性参量信息的对照表
多属性参量 | 图形信息 |
负荷值 | 气泡大小 |
负荷类别 | 气泡颜色 |
负荷密度 | 气泡密度分布 |
相对经、相对纬度 | 气泡坐标 |
负荷点编号 | 高亮文字 |
时间 | 时序显示 |
本申请可以在数据分析的基础上动态感知目标监测地区的负荷态势。旨在辅助电力调度人员掌控配网运行的多参量信息、直观感知数据的关联性。尤其是具备同时反映负荷值、负荷密度和负荷类别等功能,还可通过动态图反映负荷的转移趋势,提高技术人员对电网运行数据的感知能力和对未来高负荷风险的预警能力。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (10)
1.一种电力负荷断面态势感知的可视化方法,其特征在于,所述方法包括:
步骤1:获取目标监测地区电力***配网负荷断面数据并对其进行预处理;
步骤2:将预处理结果进行聚类,并构建负荷点多属性参量集;
步骤3:绘制目标监测地区的地理信息;
步骤4:以目标监测地区的地理信息为背景图层,绘制负荷点多属性参量集的动态气泡图,实现电力负荷断面态势感知的可视化。
2.根据权利要求1所述的一种电力负荷断面态势感知的可视化方法,其特征在于:
步骤1所述配网负荷断面数据包括负荷数据和地理数据,所述负荷数据即负荷值,所述地理数据包括相对经度和相对纬度。
3.根据权利要求1所述的一种电力负荷断面态势感知的可视化方法,其特征在于:
步骤1所述预处理具体为:
利用标准差法清洗目标监测地区电力***配网负荷断面数据中的异常负荷值,并利用主成分分析赋权法对异常负荷值清洗后配网负荷断面数据中的负荷数据和地理数据赋权。
4.根据权利要求3所述的一种电力负荷断面态势感知的可视化方法,其特征在于:
所述利用标准差法清洗目标监测地区电力***配网负荷断面数据中的异常负荷值,具体为:
根据拉依达法则的标准差法,计算负荷值x1,x2,…,xn的平均值μ和残差值Vi=xi-μ(i=1,2,3,…,n);
根据贝塞尔公式计算负荷值的标准偏差σ,负荷值xi的残差值Vi;
基于标准差法的定义,当残差值Vi的绝对值大于3σ时,则对负荷值xi采取相应的处理措施。
5.根据权利要求3所述的一种电力负荷断面态势感知的可视化方法,其特征在于:
所述利用主成分分析赋权法对异常负荷值清洗后配网负荷断面数据中的负荷数据和地理数据赋权,数学描述具体为:
对样本空间的i个样本而言,均由j个维度的数据指标进行描述,则原始数据矩阵X可表示为:
主成分分析将使用客观指标Fn评价并区分原数据的主成分排序情况;F1是原始数据矩阵X中j个向量X1,X2,…,Xj中组合方差最大的;由该方差作为排序的依据,即将原始指标排序为F1,F2,…,Fn;主成分反映了样本的表现,使用主成分计算各数据指标的综合评价值,采用加权算术平均的方法,并以各主成分的方差贡献率为权重,数学形式如式(2)所示;式中,λ1,λ2,…,λn代表矩阵X的协方差矩阵的特征根;
6.根据权利要求3所述的一种电力负荷断面态势感知的可视化方法,其特征在于:
步骤2中,采用改进的MiniBatch-Kmeans算法进行聚类,以获取每个负荷点所属的负荷类别,输出的聚类结果即为负荷类别,本方案中负荷类别是大型负荷、中型负荷、小型负荷三种;
具体包括以下步骤:
步骤a:对于赋有权值的负荷数据和地理数据,抽取MiniBatch样本作为初始质心;
步骤b:计算步骤a中下一个样本到质心的距离,并将该样本点分配至与质心距离最近的簇内;
步骤c:判断完成分配的样本所属簇的质心是否改变,若改变,则完成聚类并输出聚类结果,否则重新计算质心,更新簇内质心并返回步骤b。
7.根据权利要求1所述的一种电力负荷断面态势感知的可视化方法,其特征在于:
步骤2所述负荷点多属性参量集包括负荷值、负荷类别、相对经度、相对纬度、负荷点编号、断面时间和负荷密度七个方面的信息;
其中,断面时间为负荷断面的年、月;负荷点编号为负荷断面的原始记录;负荷密度为可视化图像中气泡点的密度。
8.根据权利要求1所述的一种电力负荷断面态势感知的可视化方法,其特征在于:
步骤3中,采用Mapbox工具绘制目标监测地区的地理信息;具体流程为Mapbox中设计目标区域,然后选择风格,最后绘制地理背景图。
9.根据权利要求1所述的一种电力负荷断面态势感知的可视化方法,其特征在于:
步骤4中,绘制负荷点多属性参量集的动态气泡图时,将同时满足以下三个条件的负荷点进行合并;
1)属于相同的簇,即具有相同的负荷类别;
2)具有相同的断面时间;
3)相对经度和相对纬度的欧氏距离小于设定的距离阈值。
10.根据权利要求1所述的一种电力负荷断面态势感知的可视化方法,其特征在于:
步骤4绘制的动态气泡图中,以气泡大小表示负荷值大小,以气泡颜色表示负荷类别,以气泡密度分布表示负荷密度,以气泡坐标表示相对经度和相对纬度,以高亮文字表示负荷点编号,以时序显示表示断面时间,即在界面中可以动态显示各个时刻的可视化结果;并将该步骤的动态气泡图绘制于步骤3所创建的地理背景图中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010548313.6A CN111966668A (zh) | 2020-06-16 | 2020-06-16 | 一种电力负荷断面态势感知的可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010548313.6A CN111966668A (zh) | 2020-06-16 | 2020-06-16 | 一种电力负荷断面态势感知的可视化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111966668A true CN111966668A (zh) | 2020-11-20 |
Family
ID=73360737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010548313.6A Pending CN111966668A (zh) | 2020-06-16 | 2020-06-16 | 一种电力负荷断面态势感知的可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111966668A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184455A (zh) * | 2015-08-20 | 2015-12-23 | 国家电网公司 | 一种面向城市电力数据分析的高维可视化分析方法 |
CN105303468A (zh) * | 2015-11-20 | 2016-02-03 | 国网天津市电力公司 | 一种基于主成分聚类分析的智能电网建设综合评价方法 |
CN106055592A (zh) * | 2016-05-20 | 2016-10-26 | 浙江大学 | 一种地图中电力***电压或负荷的监控方法 |
CN106203478A (zh) * | 2016-06-27 | 2016-12-07 | 南昌大学 | 一种用于智能电表大数据的负荷曲线聚类方法 |
CN106408008A (zh) * | 2016-09-08 | 2017-02-15 | 国网江西省电力公司赣州供电分公司 | 一种基于负荷曲线距离和形状的负荷分类方法 |
CN107464044A (zh) * | 2017-07-21 | 2017-12-12 | 国网浙江省电力公司绍兴供电公司 | 基于热点边缘提取的电网运行态势感知方法及*** |
CN108448575A (zh) * | 2018-04-02 | 2018-08-24 | 广州供电局有限公司 | 配电网电力负荷分析方法和***、计算机存储介质及设备 |
CN109523060A (zh) * | 2018-10-22 | 2019-03-26 | 上海交通大学 | 高比例可再生能源在输配电网协同接入下的配比优化方法 |
CN109871976A (zh) * | 2018-12-20 | 2019-06-11 | 浙江工业大学 | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 |
CN110399441A (zh) * | 2019-07-04 | 2019-11-01 | 佳都新太科技股份有限公司 | 一种海量点数据聚合渲染方法、装置、设备及存储介质 |
CN111275275A (zh) * | 2018-12-04 | 2020-06-12 | 南京南瑞继保电气有限公司 | 一种配电网负荷时空特性可视化分析方法 |
-
2020
- 2020-06-16 CN CN202010548313.6A patent/CN111966668A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184455A (zh) * | 2015-08-20 | 2015-12-23 | 国家电网公司 | 一种面向城市电力数据分析的高维可视化分析方法 |
CN105303468A (zh) * | 2015-11-20 | 2016-02-03 | 国网天津市电力公司 | 一种基于主成分聚类分析的智能电网建设综合评价方法 |
CN106055592A (zh) * | 2016-05-20 | 2016-10-26 | 浙江大学 | 一种地图中电力***电压或负荷的监控方法 |
CN106203478A (zh) * | 2016-06-27 | 2016-12-07 | 南昌大学 | 一种用于智能电表大数据的负荷曲线聚类方法 |
CN106408008A (zh) * | 2016-09-08 | 2017-02-15 | 国网江西省电力公司赣州供电分公司 | 一种基于负荷曲线距离和形状的负荷分类方法 |
CN107464044A (zh) * | 2017-07-21 | 2017-12-12 | 国网浙江省电力公司绍兴供电公司 | 基于热点边缘提取的电网运行态势感知方法及*** |
CN108448575A (zh) * | 2018-04-02 | 2018-08-24 | 广州供电局有限公司 | 配电网电力负荷分析方法和***、计算机存储介质及设备 |
CN109523060A (zh) * | 2018-10-22 | 2019-03-26 | 上海交通大学 | 高比例可再生能源在输配电网协同接入下的配比优化方法 |
CN111275275A (zh) * | 2018-12-04 | 2020-06-12 | 南京南瑞继保电气有限公司 | 一种配电网负荷时空特性可视化分析方法 |
CN109871976A (zh) * | 2018-12-20 | 2019-06-11 | 浙江工业大学 | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 |
CN110399441A (zh) * | 2019-07-04 | 2019-11-01 | 佳都新太科技股份有限公司 | 一种海量点数据聚合渲染方法、装置、设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
丁立国 等: ""专题图空间点聚合可视化算法研究"", 《地理空间信息》, vol. 15, no. 05, pages 6 - 10 * |
王浩淼: ""用于智能电网大数据分析Lambda架构"", 《信息技术》, vol. 44, no. 02, pages 161 - 166 * |
范兵 等: ""基于高维可视化技术的负荷特性指标展示研究"", 《电器与能效管理技术》, no. 06, pages 57 - 62 * |
蒋铁铮 等: ""基于k-means聚类和模糊神经网络的母线负荷态势感知"", 《电力科学与技术学报》, vol. 35, no. 03, pages 46 - 54 * |
谈韵 等: ""基于大数据的电网规划精益分析平台研究与应用"", 《电力大数据》, vol. 22, no. 02, pages 34 - 40 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110634080B (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
Wentz | A shape definition for geographic applications based on edge, elongation, and perforation | |
US6834266B2 (en) | Methods for estimating the seasonality of groups of similar items of commerce data sets based on historical sales data values and associated error information | |
WO2022257459A1 (zh) | 用户行为异常分析方法、装置、设备及存储介质 | |
CN111062757A (zh) | 基于多路径寻优匹配的信息推荐方法及*** | |
CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及*** | |
CN101409634A (zh) | 基于信息检索的互联网新闻影响力定量分析工具及方法 | |
CN108256032B (zh) | 一种对时空数据的共现模式进行可视化的方法及装置 | |
CN109598931B (zh) | 基于交通安全风险的群体划分与差异性分析方法及*** | |
US7978195B2 (en) | Method for superimposing statistical information on tabular data | |
CN115759640A (zh) | 一种智慧城市的公共服务信息处理***及方法 | |
US7324109B2 (en) | Method for superimposing statistical information on tubular data | |
Haining | Designing a health needs GIS with spatial analysis capability | |
CN114819777A (zh) | 一种基于数字孪生技术的企业销售业务分析管理*** | |
CN112016618A (zh) | 一种用于对图像语义分割模型泛化能力的度量方法 | |
CN116861306A (zh) | 一种基于用电趋势量化网络的异常用电检测方法 | |
CN111984701A (zh) | 乡村聚落演化的预测方法、装置、设备及存储介质 | |
CN115269958A (zh) | 互联网可靠性数据信息采集分析*** | |
CN113379269B (zh) | 多因素空间聚类的城市商业功能区划方法、装置及介质 | |
CN110716998A (zh) | 一种精细尺度人口数据空间化方法 | |
CN106651630B (zh) | 关键用电行业识别方法和*** | |
CN111966668A (zh) | 一种电力负荷断面态势感知的可视化方法 | |
CN113673609B (zh) | 一种基于线性隐变量的调查问卷数据分析方法 | |
CN116340387A (zh) | 一种用于数据表的个人信息披露情况统计分析方法及*** | |
CN114372835B (zh) | 综合能源服务潜力客户识别方法、***及计算机设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |